之前学习的逻辑回归，其实本质上相当于是在特征平面中找到一条直线，用这条直线来分割所有的样本所对应的两个分类。通过之前的例子，也应该明白了为什么逻辑回归只能解决二分类问题。因为这样的一条直线只能将特征平面分成两部分。 不过，还存在一个问题，直线这种方式太简单了，显然有很多情况，比如下面这个例子，依然是在特征平面上分布了一些样本点，对于这些样本点来说，我们是不可能使用一条直线来将它们非常好的分成两类。
但是，我们可以用一个圆形这样的决策边界将它们分成两部分。
显然，我们之前实现的逻辑回归算法是无法得到圆形的决策边界的。对于一个圆形，它的方程应该是这样的： 那么我们能不能让我们的逻辑回归学习到这样的决策边界呢？其实我们只需要引入多项式项就好了。假设我们将 x 1 2 x_1^2 x12 整体看做一个特征， x 2 2 x_2^2 x22 整体看做一个特征，所以对于 x 1 2 x_1^2 x12 和 x 2 2 x_2^2 x22 来说，还是一个线性的决策边界.但是如果是对于 x 1 x_1 x1 和 x 2 x_2 x2 来说，它就变成圆形这样的非线性决策边界了。 下面我们通过具体编程观察。
具体代码见 54 逻辑回归中添加多项式特征.ipynb
